好好的C++不去寫，爲啥想起來搞什麼語音識別？事情是這樣的，我經常躺在牀上聽歌，使用電腦連音響播放，因爲我比較懶，切歌啥的都直接召喚小娜幫我做，可以節省體力。然而小娜笨啊，除了能切歌啥也幹不了，我要是聽到一首好聽的，還得爬起來去收藏，這多麼麻煩是不是？小娜也沒開放啥接口可以自定義命令，就想自己寫一個程序，識別到我的指令後，按照播放器的快捷鍵虛擬鍵盤按鍵事件。
網上一搜“開源語音識別引擎”，好，就是你了：cmu sphinx。然而結果是慘淡的，週末兩天的工作成果並沒能使我輕鬆一點。我的“小小紅”雖然能聽懂更多我需要的指令，然而只有在我不播放音樂時才聽得懂，環境噪聲稍大就不聽話了。相比之下小娜就可靠多了，即使開着音樂也能聽懂我的指令。雖然失敗了，但也做個記錄吧，當然是以一個語音識別門外漢的視角做的記錄，是自己的理解，不見得準確。
- 因爲是在windows下播放音樂，所以直接下載了cmu sphinx的win32版源碼，自帶VS工程文件。
- 要想在win10上正常運行自帶的continuous樣例，需要把sphinxbase和pocketsphinx都編譯成release版，同時把運行庫編譯參數指定爲：多線程DLL（/MD）。
- 要注意中文編碼問題，語言模型文件和字典文件編碼要相同，我都設置成了GB2312，可以避免終端輸出亂碼。
- 需要使用3種模型文件，具體可見https://cmusphinx.github.io/wiki/tutorialconcepts/，聲音模型用來把聲音輸入映射到定義好的音素，語言模型定義了所有可能的輸出（即詞的組合），字典用來把語言模型中的詞映射到音素，字典不影響識別準確率（這一點見https://cmusphinx.github.io/wiki/tutorialdict/）。
- 使用cmu sphinx提供的默認普通話聲音模型和語言模型，識別準確率相當感人，完全用不了。
- 將語言模型限定爲我定義的指令，識別準確率就上來了（當然是安靜情況下），這一度令我很高興，然而後來發現“下一首”在90%以上情況被識別爲“上一首”
- 按照https://cmusphinx.github.io/wiki/tutorialadapt/的方法，使用我的語音做適配後，“上一首”和“下一首”就分得清了，這裏是一個腳本：
sphinx_fe -argfile .\zh_broadcastnews_ptm256_8000\feat.params -samprate 16000 -c .\arctic20.fileids -di . -do . -ei wav -eo mfc -mswav yes
bw -hmmdir .\zh_broadcastnews_ptm256_8000 -moddeffn .\zh_broadcastnews_ptm256_8000\mdef -ts2cbfn .ptm. -feat s2_4x -cmn current -agc none -dictfn self.dic -ctlfn .\arctic20.fileids -lsnfn .\arctic20.transcription -accumdir .
mllr_solve.exe -meanfn .\zh_broadcastnews_ptm256_8000\means -varfn .\zh_broadcastnews_ptm256_8000\variances -outmllrfn mllr_matrix -accumdir .
map_adapt.exe -moddeffn .\zh_broadcastnews_ptm256_8000\mdef -ts2cbfn .ptm. -meanfn .\zh_broadcastnews_ptm256_8000\means -varfn .\zh_broadcastnews_ptm256_8000\variances -mixwfn .\zh_broadcastnews_ptm256_8000\mixture_weights -tmatfn .\zh_broadcastnews_ptm256_8000\transition_matrices -accumdir . -mapmeanfn .\zh_ptm_adapt\means -mapvarfn .\zh_ptm_adapt\variances -mapmixwfn .\zh_ptm_adapt\mixture_weights -maptmatfn .\zh_ptm_adapt\transition_matrices
- 識別時很容易受到噪聲影響，該開始識別時不開始，該結束識別時不結束（在recognize_from_microphone函數中的utt_started in_speech記錄一段語音識別的開始和結束。
- 通過設置vad_threshold能一定程度改善問題8，尤其是在安靜情況下，能讓識別率上升到90%以上，打開音樂時也有一定改善。
- 一旦打開音樂，問題8再次出現，使用9中的方法很難把握閾值，最終沒有很大的改善。
- 剛打開程序時，或者一段時間沒說指令時，初次說出的兩三個指令幾乎沒被識別對過，後面的才能識別，原因未知。這個讓我想不通，使用in_speech標識的每次識別過程難道不是獨立的嗎？